EAD657 I 2015 SAG

Prévia do material em texto

SISTEMAS DE APOIO GERENCIAL 
 
Hiroo Takaoka 
takaoka@usp.br 
EAD657 – Tecnologia de Informação 
TIPOS DE SISTEMAS DE INFORMAÇÃO 
Sistemas de 
Processamento 
de Transações 
Sistemas de 
Controle de 
Processos 
 
Sistemas 
Colaborativos 
 
 
Sistemas de 
Informação 
Gerencial 
 
Sistemas de 
Apoio à 
Decisão 
Sistemas de 
Informação 
Executiva 
Sistemas de 
Apoio às 
Operações 
Sistemas de 
Apoio 
Gerencial 
Sistemas de 
Informação 
Apoio à 
Tomada de 
Decisão Gerencial 
Apoio às 
Operações 
Empresariais 
Processamento de 
Transações 
do Negócio 
Controle de 
Processos 
Industriais 
Colaboração de 
Equipe e Grupo 
de Trabalho 
Relatório 
Pré-especificado 
para Gerentes 
Apoio 
Interativo à 
Decisão 
Informação 
Adaptada para 
Executivos 
Sistemas de 
Processamento 
Especializado 
Sistemas 
Especialistas 
Sistemas de 
Gerenciamento 
de Conhecimento 
 
Sistemas de 
Informação 
Estratégica 
 
Apoio 
Especializado aos 
Tomadores de Decisão 
Gerenciamento 
de Conhecimento 
Organizacional 
Apoiar 
Vantagem 
Competitiva 
TIPOS DE SISTEMAS DE INFORMAÇÃO 
Sistemas de 
Processamento 
de Transações 
Sistemas de 
Controle de 
Processos 
 
Sistemas 
Colaborativos 
 
 
Sistemas de 
Informação 
Gerencial 
 
Sistemas de 
Apoio à 
Decisão 
Sistemas de 
Informação 
Executiva 
Sistemas de 
Apoio às 
Operações 
Sistemas de 
Apoio 
Gerencial 
Sistemas de 
Informação 
Apoio à 
Tomada de 
Decisão Gerencial 
Apoio às 
Operações 
Empresariais 
Processamento de 
Transações 
do Negócio 
Controle de 
Processos 
Industriais 
Colaboração de 
Equipe e Grupo 
de Trabalho 
Relatório 
Pré-especificado 
para Gerentes 
Apoio 
Interativo à 
Decisão 
Informação 
Adaptada para 
Executivos 
Sistemas de 
Processamento 
Especializado 
Sistemas 
Especialistas 
Sistemas de 
Gerenciamento 
de Conhecimento 
 
Sistemas de 
Informação 
Estratégica 
 
Apoio 
Especializado aos 
Tomadores de Decisão 
Gerenciamento 
de Conhecimento 
Organizacional 
Apoiar 
Vantagem 
Competitiva 
DATA WAREHOUSE 
DW – Data Warehouse 
OLAP – On Line Analytical Processing 
DW 
Fonte 
externo 
Extração 
Transformação 
Carga 
Data 
Mining 
Analise 
Dimensional 
(OLAP) 
Aplicações 
Analíticas 
Sistemas de Processamento 
de Transações 
Sistemas de Apoio à 
Decisão 
 Data warehouse é um banco de dados centralizado e integrado de dados atuais e 
históricos voltado primariamente para as tomadas de decisões na organização. 
 Data Mart é um subconjunto de dados do DW destinado a suportar as necessidades 
específicas de uma determinada unidade de negócios (Ex. Vendas). 
Bancos de dados 
operacionais 
Data Mart 
POR QUE ANÁLISE DIMENSIONAL (OLAP)? 
 O executivo descreve seu negócio da seguinte 
maneira: 
“Nós vendemos Produtos em várias Regiões Geográficas e 
medimos o seu Desempenho através do Tempo. “ 
Desempenho por Produto por Região Geográfica por 
Tempo 
ou 
5W1H: What, Where, When, Why, Who, How 
Produto 
Tempo 
Região 
UM CUBO: UMA METÁFORA PARA UM 
MODELO DIMENSIONAL 
Medidas 
(Fatos) 
Dimensões 
Produto 
Tempo 
Região 
EXEMPLO DE MODELO DIMENSIONAL 
Norte Leste Sul Oeste 
TV 
DVD 
Áudio 
Câmera 
Jan/201x 
Fev/201x 
Mar/201x 
Vendas 
13 24 54 71 
18 30 42 66 
20 33 67 83 
24 41 59 95 
Abr/201x 
(Fatos) 
(Dimensão) 
(Dimensão) 
(Dimensão) 
Produto 
Tempo 
Região 
EXEMPLO DE MODELO DIMENSIONAL 
Norte 
Leste 
Sul 
Oeste 
TV 
DVD 
Áudio 
Câmera 
Jan/201x 
Fev/201x 
Mar/201x 
Vendas 
13 29 49 61 
18 33 37 56 
20 37 62 73 
24 45 54 82 
Abr/201x 
(Fatos) 
(Dimensão) 
(Dimensão) 
(Dimensão) 
DATA MINING - APLICAÇÕES 
Técnica que procura correlacionar fatos, a partir de 
uma grande massa de dados, para encontrar 
padrões e tendências. 
• Associação (coisas feitas juntamente) 
• Padrões seqüenciais (fatos que implicam outros fatos, 
em momentos diferentes de tempo) 
• Classificação (reconhecimento de padrões) 
• Cluster (definição de novos grupos) 
• Previsão (predição a partir de séries temporais) 
DATA MINING - TÉCNICAS 
• Árvore de decisão 
• Usada para classificação 
• Regressão linear 
• Usada para predição 
• Inteligência Artificial 
• Usada para reconhecimento de padrões e classificação 
• Clustering 
• Usada para definição de novos grupos 
• Séries Temporais 
• Usada para predizer valores futuros em séries 
temporais 
DEFINIÇÃO DE BIG DATA 
Não há definição padrão.... 
 
“Big Data” são dados cuja escala, 
diversidade, complexidade e velocidade de 
geração requer novas arquiteturas, 
técnicas, algoritmos e técnicas analíticas 
para administrá-los e extrair valor e 
conhecimento oculto a partir deles… 
CARACTERÍSTICAS DE BIG DATA 
1. Escala (volume) 
 Está crescendo exponencialmente. 
 Vai aumentar 44 vezes de 2009 até 2020 (0,8 zb 
para 33 zb) 
2. Complexidade e diversidade (variedade) 
 Vários formatos, tipos e estruturas 
 Texto, numérico, imagem, áudio, vídeo, sequência, 
séries temporais, dados de mídia social, etc. 
 
Observação: zb (zetabyte) = 1021 bytes 
Para extrair conhecimento → todos estes dados devem ser ligados 
CARACTERÍSTICAS DE BIG DATA 
3. Velocidade 
 Os dados estão começando a ser gerados 
rapidamente e precisando ser processados 
rapidamente. 
 Decisões tardias → perda de oportunidades 
 Exemplos 
 E-promoção. Baseado na sua localização atual, no seu 
histórico de compra, no seu gosto → Mandar 
promoções imediatamente à loja mais próxima 
 Assistência médica. Sensores monitorando 
atividades e corpo → qualquer sinal anormal requer 
reação imediata 
CARACTERÍSTICAS DE BIG DATA 
Velocidade Volume 
Variedade 
3 V’s 
+ Veracidade 
Incerteza devido a 
inconsistência dos dados, 
incompletude, 
ambiguidade, latência, 
modelos de aproximação 
QUEM ESTÁ GERANDO BIG DATA 
Mídia e rede social 
(todos nós estamos 
gerando dados) 
Instrumentos científicos 
(coletando todos os tipos 
de dados) 
Objetos móveis 
(rastreando todos os 
objetos tempo todo) 
Tecnologia de sensor e redes 
(medindo todos os tipos de 
dados) 
EXEMPLO DE ARQUITETURA DE BIG DATA 
Data 
Mining 
Modelo 
(Algoritmo) 
Dados em 
tempo real 
Análise em 
tempo real 
Decisão Dados 
históricos 
DATA WAREHOUSE (DW) VS. BIG DATA 
 A arquitetura de DW tradicional não é 
adequada para aplicações de Big Data, pois é 
orientada para: 
 dados estruturados 
 dados do passado 
 processamento em lote 
 Big Data armazena e processa muito mais 
dados (estruturados e não estruturados) em 
tempo real do que DW. 
DESAFIOS DE BIG DATA 
 O gargalo está na tecnologia. 
 Nova arquitetura 
 Novos algoritmos 
 Novas técnicas 
 Também está na habilidade técnica. 
 Especialistas utilizando novas tecnologias e 
lidando com Big Data. 
 Conhecer negócio, informática e métodos 
quantitativos. 
INTELIGÊNCIA ARTIFICIAL 
Inteligência 
Artificial 
Robótica 
Ciência 
Cognitiva 
Interfaces 
Naturais 
•Sistemas Especialistas 
•Sistemas de Aprendizagem 
•Lógica Fuzzy 
•Algoritmos Genéticos 
•Redes Neurais 
•Agentes Inteligentes 
•Percepção Visual 
•Tatilidade 
•Destreza 
•Locomoção 
•Condução 
•Linguagens Naturais 
•Reconhecimentode 
 Discursos 
•Interfaces Multi-sensorias 
•Realidade Virtual 
INTELIGÊNCIA ARTIFICIAL 
Inteligência 
Artificial 
Robótica 
Ciência 
Cognitiva 
Interfaces 
Naturais 
•Sistemas Especialistas 
•Sistemas de Aprendizagem 
•Lógica Fuzzy 
•Algoritmos Genéticos 
•Redes Neurais 
•Agentes Inteligentes 
•Percepção Visual 
•Tatilidade 
•Destreza 
•Locomoção 
•Condução 
•Linguagens Naturais 
•Reconhecimento de 
 Discursos 
•Interfaces Multi-sensorias 
•Realidade Virtual 
SE - SISTEMA ESPECIALISTA 
 É um programa que simula o processo decisório de 
um perito (especialista) na solução de problemas. 
Máquina de Inferência 
 
 
 
 
Interface com 
o usuário 
(Gerenciamento 
de diálogo) 
Base de Conhecimento 
 
 
 
 
2 
1 
3 4 
5 
Fato..... 
Fato..... 
Regra... 
Fato..... 
Se... 
e Se..... 
e Se..... 
Então... 
6 
Regra..... 
Fato..... 
Regra... 
Fato..... 
REDES NEURAIS 
 Redes neurais são modelos computacionais, inspirados na 
estrutura e operação do cérebro humano, que procuram reproduzir 
características humanas, tais como: aprendizado, associação, 
generalização e abstração. 
 As redes neurais são especialmente eficazes no reconhecimento de 
padrões sutis, ocultos e novos entre dados complexos, bem como na 
interpretação de dados incompletos. 
 Um banco americano chamado Mellon Bank instalou um sistema 
de detecção de fraudes de cartão de crédito implementado com 
técnicas de redes neurais e os prejuízos evitados pelo novo sistema 
conseguiram cobrir os gastos de instalação em seis meses. 
REDES NEURAIS 
Axônio 
(saída) Dendrito 
(entrada) 
Sinapse 
Soma 
Os neurônios são formados pelos dendritos, que são um conjunto de terminais de entrada, 
pelo corpo central que contém a célula nervosa ou soma e pelos axônios que são longos 
terminais de saída. 
Os neurônios se comunicam através de sinapses. Sinapse é a região onde dois neurônios 
entram em contato e através da qual os impulsos nervosos são transmitidos entre eles. 
Os impulsos recebidos por um neurônio A, em um determinado momento, são processados, 
e atingindo um dado limiar de ação, o neurônio A dispara, produzindo uma substância 
neurotransmissora que flui do corpo celular para o axônio, que pode estar conectado a um 
dendrito de um outro neurônio B. 
Neurônios 
A B 
REDES NEURAIS ARTIFICIAIS 
x1 
x2 
x3 
x4 
Saída 
p1 
p2 
p3 
p4 
Entradas Pesos 
Processador 
Σ Θ 
(Limiar) 
1 ypx ii 
Camada de 
entrada 
Camada 
oculta 
Camada 
de saída 
Rede Neural 
Tendo uma rede neural montada, uma 
série de valores (xi) podem ser 
aplicadas sobre um neurônio 
(processador), sendo que este está 
conectado a outros pela rede. 
Estes valores (xi) são multiplicados 
no neurônio pelo valor de peso (pi) de 
sua sinapse. Então, esses valores são 
somados. Se esta soma ultrapassar 
um valor limite estabelecido (θ), um 
sinal (y) é propagado pela saída 
(axônio) deste neurônio. 
Conexões 
Pesos 
Pesos 
Pesos 
y 
REDES NEURAIS - CONSTRUÇÃO 
Redes neurais exige que os dados sejam divididos em dois grupos: 
 Dados para treinamento. Estabelece pesos das conexões (pi). 
Enfatizar casos não usuais para dirigir o reconhecimento. 
pi pi 
pi 
Dados para 
treinamento 
Saída 
 Teste. Testa os pesos (pi) para ver a eficiência do modelo. 
pi pi 
pi 
Dados para teste 
(Casos conhecidos) 
Saída 
(% acerto) 
REDES NEURAIS - EXEMPLO 
Idade, renda, 
estado civil 
Ocupação, 
empregador, 
tempo no emprego 
Quantia da 
hipoteca 
desejada 
Taxa de 
 juros atual 
Fornecer 
hipoteca 
Rejeitar 
hipoteca 
Camada de 
entrada 
Camada 
oculta 
Camada de 
Saída 
LÓGICA FUZZY (DIFUSA) 
 Lógica fuzzy é um método de raciocínio semelhante ao humano, já que 
ela permite trabalhar com valores e inferências aproximados (lógica 
fuzzy) e dados incompletos ou ambíguos (dados fuzzy) e não depender 
de dados precisos (ligado/desligado, sim/não, certo/errado, 
verdadeiro/falso). 
 Por exemplo, nós humanos pensamos desse jeito: 
 35° é quente 
 2° é frio 
 25° é frio? (depende de outros fatores: vento, umidade, experiência 
do indivíduo, roupa, expectativa, etc.) 
 Por exemplo, mais ou menos para paulista e verdadeiro para carioca 
 Lógica fuzzy tem por objetivo modelar o modo aproximado de 
raciocínio humano, visando desenvolver sistemas computacionais 
capazes de tomar decisões racionais num ambiente de incerteza e 
imprecisão. 
 Ao expressar a lógica com algumas imprecisões cuidadosamente 
definidas, a lógica fuzzy é muito próximo da maneira como a pessoa 
realmente pensa. 
 
LÓGICA FUZZY - APLICAÇÃO 
 Determinar se um indivíduo é magro ou normal ou gordo ou 
muito gordo. 
REGRAS 
Se Muito Baixo & Leve então Magro 
Se Muito Baixo & Médio então Gordo 
Se Muito Baixo & Pesado então Muito Gordo 
Se Baixo & Leve então Magro 
Se Baixo & Médio então Gordo 
... 
 Avaliar se o risco do projeto é pequeno, normal ou alto. 
REGRAS 
Se dinheiro é adequado & pessoal é médio então risco pequeno 
Se dinheiro é médio & pessoal é alto então risco é normal 
Se dinheiro é inadequado então risco é alto 
... 
LÓGICA FUZZY - EXEMPLO 
Um indivíduo com 1,75m e 65kg é magro ou normal ou 
gordo ou muito gordo? 
Uma aplicação de lógica fuzzy para determinar se um 
indivíduo é magro ou normal ou gordo ou muito gordo. 
LÓGICA FUZZY - EXEMPLO 
Leve Médio Pesado 
Muito Baixo (MB) Magro Gordo Muito Gordo 
Baixo (B) Magro Gordo Muito Gordo 
Médio (M) Magro Normal Gordo 
Alto (A) Muito Magro Magro Gordo 
Muito Alto (MA) Muito Magro Magro Gordo 
Conjunto de Regras 
O conjunto de regras define que decisão tomar de acordo 
com o tipo de entrada. Por exemplo, podemos definir que se 
o indivíduo é Baixo e Pesado, então ele é Muito Gordo. 
LÓGICA FUZZY - EXEMPLO 
REGRAS 
Se Muito Baixo & Leve então Magro 
Se Muito Baixo & Médio então Gordo 
Se Muito Baixo & Pesado então Muito Gordo 
Se Baixo & Leve então Magro 
Se Baixo & Médio então Gordo 
Se Baixo & Pesado então Muito Gordo 
Se Médio & Leve então Magro 
Se Médio & Médio então Normal 
Se Médio & Pesado então Gordo 
Se Alto & Leve então Muito Magro 
Se Alto & Médio então Magro 
Se Alto & Pesado então Gordo 
Se Muito Alto & Leve então Muito Magro 
Se Muito Alto & Médio então Magro 
Se Muito Alto & Pesado então Gordo 
Conjunto de regras no formato Se-então 
LÓGICA FUZZY - EXEMPLO 
o Terminologia 
o Variável linguística. É aquela que tem como valores palavras ou termos. 
o Variável fuzzy. Cada valor da variável linguística. 
o Exemplo: 
o Variável linguística: Peso 
o Variáveis fuzzy: Leve, Médio, Pesado 
Para peso abaixo de 40kg, a premissa “peso é leve” é totalmente verdadeira. 
Função de Pertinência para Peso 
40 70 100 
Leve Médio Pesado 
0,5 
1,0 
kg 
0 
Pertinência 
Peso 
LÓGICA FUZZY - EXEMPLO 
Função de Pertinência para Peso 
40 70 100 
Leve Médio Pesado 
0,5 
1,0 
kg 
0 
Pertinência 
Peso 
Lógica fuzzy 
Função de Pertinência para Peso 
40 70 100 
Leve Médio Pesado 
0,5 
1,0 
kg 
0 
Pertinência 
Peso 
Lógica tradicional 
As proposições podem ter 
valores intermediários entre 
Verdadeira (1) ou Falsa (0). 
0,5 talvez verdadeira 
0,9 quase verdadeira 
As proposições são 
unicamente Verdadeira (1) ou 
Falsa (0). 
LÓGICA FUZZY - EXEMPLO 
MB B M A MA 
1,20 1,40 1,60 1,80 2,00 
0,5 
1,0Função de Pertinência para Altura 
m 
0 
MB Muito Baixo 
B Baixo 
M Médio 
A Alto 
MA Muito Alto 
Altura 
LÓGICA FUZZY - EXEMPLO 
Altura Grau de Pertinência 
Muito Baixo (MB) 0 
Baixo (B) 0 
Médio (M) 0,25 
Alto (A) 0,75 
Muito Alto (MA) 0 
Peso Grau de Pertinência 
Leve 0,25 
Médio 0,75 
Pesado 0 
MB B M A MA 
1,20 1,40 1,60 1,80 2,00 
0,5 
1,0 
Para alturas, o valor 1,75m tem os seguintes graus de pertinência. 
Para pesos, o valor 65kg tem os seguintes graus de pertinência. 
40 70 100 
Leve Médio Pesado 
0,5 
1,0 
65 kg 
1,75 m 
m 
kg 
0 
0 
LÓGICA FUZZY - EXEMPLO 
REGRAS GRAUS DE PERTINÊNCIA 
Se Muito Baixo & Leve então Magro Min (0 & 0,25) = 0 
Se Muito Baixo & Médio então Gordo Min (0 & 0,75) = 0 
Se Muito Baixo & Pesado então Muito Gordo Min (0 & 0) = 0 
Se Baixo & Leve então Magro Min (0 & 0,25) = 0 
Se Baixo & Médio então Gordo Min (0 & 0,75) = 0 
Se Baixo & Pesado então Muito Gordo Min (0 & 0) = 0 
Se Médio & Leve então Magro Min (0,25 & 0,25) = 0,25 
Se Médio & Médio então Normal Min (0,25 & 0,75) = 0,25 
Se Médio & Pesado então Gordo Min (0,25 & 0) = 0 
Se Alto & Leve então Muito Magro Min (0,75 & 0,25) = 0,25 
Se Alto & Médio então Magro Min (0,75 & 0,75) = 0,75 
Se Alto & Pesado então Gordo Min (0,75 & 0) = 0 
Se Muito Alto & Leve então Muito Magro Min (0 & 0,25) = 0 
Se Muito Alto & Médio então Magro Min (0 & 0,75) = 0 
Se Muito Alto & Pesado então Gordo Min (0 & 0) = 0 
Peso Grau de Pertinência 
Leve 0,25 
Médio 0,75 
Pesado 0 
Maior Mínimo 
Para descobrir a classe de saída a que pertence os valores 1,75m e 65kg, é necessário testar todas 
as regras aplicando os valores de entrada nas funções de pertinência e selecionar o maior mínimo. 
Nota: Min (grau de pertinência de 1,75m & grau de pertinência de 65kg) 
Altura Grau de Pertinência 
Muito Baixo 0 
Baixo 0 
Médio 0,25 
Alto 0,75 
Muito Alto 0 
Resposta: 
O indivíduo é magro. 
ALGORITMO GENÉTICO 
 É a metáfora da teoria de evolução de espécies (Darwin). 
 Refere-se a uma variedade de técnicas de solução de problemas 
que são conceitualmente baseadas no método que o organismo 
vivo usa para se adaptar ao meio ambiente. 
 São programados para trabalhar como a população resolve 
problemas: mudando e reorganizando seus componentes usando 
processos tais como reprodução, mutação e seleção natural. 
 Promove a evolução de soluções de problemas controlando a 
geração, variação, adaptação e seleção de possíveis soluções 
usando processos baseados em genética (as melhores soluções 
sobrevivem). 
 Pode gerar programas que solucionam problema mesmo que 
ninguém pode compreender completamente sua estrutura. 
Em problemas difíceis de otimização, quando não existe nenhuma outra técnica 
específica para resolver o problema. 
 Otimização de funções numéricas em geral 
 Otimização combinatória 
 Seleção de rotas (Caixeiro viajante) 
 Configuração de sistemas complexos 
 Alocação de tarefas 
 Otimização de base de regras 
 Problema de conexão 
 Engenharia de redes neurais 
 Otimização Multiobjetivo 
 
ALGORITMO GENÉTICO - APLICAÇÃO 
ALGORITMO GENÉTICO - FUNCIONAMENTO 
Início 
Criação da 
população 
Cálculo da 
adaptação 
Seleção 
Reprodução 
Mutação 
Solução 
encontrada 
Fim 
1 
2 
3 
n 
Selecionar os indivíduos 
mais aptos. 
População inicial. 
Adaptação é a nota associada ao 
indivíduo que avalia quão boa é a 
solução por ele representado. 
Solução 
Indivíduo 
Cromossomo 
Criar novos indivíduos 
aplicando operador 
Reprodução 
Criar novos indivíduos 
aplicando operador 
Mutação 
Nova 
população 
Verificar critério de parada 
 Indivíduo 
• Os indivíduos são a unidade fundamental de funcionamento de um AG. 
Eles codificam possíveis soluções para o problema a ser tratado, e é 
através de sua manipulação (pelo processo de evolução) que soluções 
serão encontradas. 
 Representação 
 A escolha da representação para os indivíduos (solução) é a etapa mais 
importante para o desenvolvimento de um AG. 
 É de uso comum em AG utilizar o termo genoma ou cromossomo como 
sinônimo de indivíduo. 
 Cromossomos consistem de genes - sequências de DNA - que servem 
para determinar as características de um indivíduo. 
 A maioria da representação utiliza vetores de tamanho finito e um 
alfabeto finito. 
ALGORITMO GENÉTICO (AG) - IDÉIA BÁSICA 
Exemplos de representação 
 
ALGORITMO GENÉTICO - IDÉIA BÁSICA 
Genótipo 
(Genes) 
Fenótipo 
(Decodificação do cromossomo) 
Problema 
1000111 143 
Otimização numérica 
ADHEFJBCH 
Partir da cidade A, depois passar 
pelas cidades D, H, E, F, J, B, C e 
terminar em H 
Caixeiro viajante 
C1R4C2R6C5R2 
Se condição 1 (C1) execute regra 4 
(R4), se (C2) execute (R6), se (C5) 
execute (R2) 
Regra de aprendizagem 
Max f(x) = x seno (10𝜋𝑥) + 1,0 
 sujeito a -1,0 ≤ 𝑥 ≤ 2,0 
 Codificação 
• Cada cromossomo binário é uma cadeia de bits – 0 ou 1 
Cromossomo: 1= 1101000100110110 
Cromossomo: 2 = 1101111000011110 
 Reprodução 
• Durante o processo de reprodução ocorre-se a recombinação (ou crossover – 
cruzamento). Genes dos pais se combinam para formar novos cromossomos. 
Crom1: 11010 | 00100110110 
Crom2: 11011 | 11000011110 
Filho 1: 11010 | 11000011110 
Filho 2: 11011 | 00100110110 
• Os descendentes criados podem sofrer mutações, ou seja, os elementos do DNA 
podem ser trocados 
Filho1 antes: 1101111000011110 
Filho1 depois: 1100111000011110 
Filho2 antes: 1101100100110110 
Filho2 depois: 1101101100110100 
• A adaptação de um organismo pode ser medida pelo sucesso do mesmo em sua 
vida (função objetiva). 
ALGORITMO GENÉTICO - OPERADORES